MediaOpción múltiple

Pregunta de práctica de AIF-C01

Una empresa está creando un chatbot utilizando Amazon Bedrock para responder preguntas de los clientes sobre su catálogo de productos. El chatbot solo debe utilizar información de la base de conocimiento interna de la empresa y no debe generar respuestas basadas en los datos de preentrenamiento del modelo. ¿Qué característica se debe habilitar?

Elige la mejor respuesta.

Respuesta correcta

  • BConfigurar una base de conocimiento con Generación Aumentada por Recuperación (RAG).

Explicación

Configurar una base de conocimiento con Generación Aumentada por Recuperación (RAG) permite que el chatbot recupere documentos relevantes de la base de conocimiento interna de la empresa y los utilice como contexto para generar respuestas. Esto garantiza que las respuestas del modelo se basen únicamente en los datos proporcionados, evitando la dependencia de su conocimiento de preentrenamiento.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Usar ingeniería de avisos (prompt engineering) para indicar al modelo que solo use la base de conocimiento.

La ingeniería de avisos solo orienta al modelo; no puede garantizar que las respuestas provengan únicamente de la base de conocimiento, ya que los datos de preentrenamiento siguen estando disponibles. Resulta tentadora como un ajuste de bajo esfuerzo y es adecuada para dar forma al tono o al formato cuando la fundamentación no es un requisito estricto.

B

Correcta

Configurar una base de conocimiento con Generación Aumentada por Recuperación (RAG).

RAG fundamenta las respuestas en la base de conocimiento suministrada mediante la recuperación de documentos relevantes y su inyección en el contexto del aviso, de modo que el modelo responde a partir de los datos de la empresa en lugar de sus pesos de preentrenamiento. Esto satisface directamente la restricción de que las respuestas deben provenir únicamente del catálogo interno.

C

Incorrecta

Habilitar el registro de invocación de modelos (model invocation logging) para revisar las respuestas.

El registro de invocaciones registra los avisos y las respuestas con fines de auditoría; no restringe la generación a la base de conocimiento, por lo que las respuestas de preentrenamiento siguen apareciendo. Resulta tentador para el cumplimiento normativo o la depuración, donde capturar el tráfico es el objetivo en lugar de controlar qué fuentes utiliza el modelo.

D

Incorrecta

Ajustar con precisión (fine-tune) el modelo con los datos del catálogo de productos.

El ajuste fino altera los pesos del modelo, por lo que las respuestas siguen basándose en los datos de preentrenamiento y no se pueden restringir a la base de conocimiento. Resulta tentador cuando se desea que el modelo absorba el estilo o la terminología del dominio, lo cual se adapta a la adaptación del tono en lugar de fundamentar las respuestas en documentos recuperados.

Para profundizar

La Generación Aumentada por Recuperación (Retrieval Augmented Generation o RAG) en las bases de conocimiento de Amazon Bedrock funciona fragmentando (chunking) los documentos de origen, convirtiéndolos en incrustaciones (embeddings) y almacenando vectores en un almacén de vectores. En el momento de la consulta, el servicio recupera los fragmentos semánticamente más similares y los inyecta en el aviso (prompt) como contexto, basando la respuesta del modelo en el material suministrado. Esto reduce las alucinaciones y mantiene las respuestas vinculadas al catálogo interno en lugar de a los datos de preentrenamiento. Una sutileza es que RAG no evita por completo que el modelo utilice el conocimiento paramétrico; las instrucciones del aviso y las citas ayudan, pero la calidad de la recuperación, el tamaño de los fragmentos y el número de pasajes devueltos influyen fuertemente en la fundamentación. Esto importa cuando las respuestas deben ser auditables frente a un corpus controlado, como especificaciones de productos o documentación de cumplimiento.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AIF-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.